人工智能技術在醫療領域應用多年,大模型技術的出現為其應用價值和范圍又帶來了新的可能。2024年底爆火的國產開源語言大模型DeepSeek極大助力市場教育,將大模型在醫療場景的應用迫切度也提到歷史新高點。醫療領域已經出現數百個垂直大模型應用于各個環節,企業從自身數據及市場優勢出發自研專業大模型。產品雖眾多,但是產品到商品還受政策、市場等影響。目前,醫療大模型在醫療領域的滲透率、應用情況、應用成果到底如何?
本次報告,動脈智庫聯合成都高新區數智醫療創新聯盟創作和發布,通過調研、訪談十余家創新企業、三家投資機構及數名臨床專家,從市場和企業兩方面探索我國醫療大模型滲透率的現狀,試圖梳理各類不同醫療大模型的競爭要素和優勢發展策略,與共同努力的企業們一同探討。
主要觀點:
醫療大模型發展處于早期,行業經過了“產品打造”階段,亟待通過“性能驗證”釋放商業價值。目前,對大多數醫療大模型依然缺乏明確的安全性、有效性的驗證和監管體系,是大模型商業化推廣限速因素。
醫療大模型市場規模預計在2028年突破百億,目前總體滲透率不足10%~20%,是一個極大的藍海市場待企業去開拓。
2025年截至5月1日醫療大模型發布133個,遠超2024年全年的94個、2023年全年的61個。288個醫療大模型中,九成覆蓋了政策指引的應用場景。
醫療大模型應用場景中,提及頻次最高的為醫療服務環節,占比高達53%,其中臨床專病輔助決策、預問診、病歷輔助生成、醫學影像輔助診斷位居前四。
文本類大模型集中在醫療IT服務環節;影像類大模型應用成熟度最高,超聲和病理有驚喜進展;生物大模型極大助力藥物研發;中醫類大模型在多方力量推動下快速發展。
醫療大模型的滲透率受多方影響,需要通過痛點驗證、市場規模測算、技術和數據能力評估、有公信力的性能驗證以及政策的支持和監管來解決“想用”“想做”“能做”“好用”“允許用”的問題。
醫療大模型落地應用方式靈活,可作為產品使用、可作為AI應用的智能管理平臺、可作為AI產品研發和優化的基座。
總體來說,由于生成式技術與語言大模型的突破,醫療大模型對文本類的任務助力更大,此外對綜合性、高數據密度以及多流程的任務賦能更加明顯。
在醫療大模型的框架下,以大模型牽動的大小模型協作模式將是近幾年的主流市場應用方式。
醫療大模型的發展初期,大模型的打造和應用成本都較高,隨著技術、政策、市場等多因素助力,未來醫療大模型將向普惠化迭代升級。
多因素驅動醫療大模型加速藍海開拓
性能不斷突破,亟待價值驗證推動模型商業化落地
“百模”蓄勢待發,亟待性能驗證釋放商業化價值。醫療大模型從概念興起到成熟落地大致需要走過需求分析與驗證、模型研發、模型性能測試或應用市場對模型性能的驗證、商業模式探索到最后在行業實現大規模的商業化落地。
醫療大模型從概念到落地的發展階段,資料來源:公開信息,動脈智庫分析
雖然技術突破帶來的愈發成熟的大模型產品令人興奮,但是醫療大模型要實現大規模商業化落地還有一段路要走。目前,在各細分領域已有部分醫療大模型打通了商業模式實現了商業閉環(我們將在第三章詳細分析部分應用場景的典型案例),但就行業整體而言,發展尚處早期,更多的醫療大模型還處于價值驗證階段,亟待通過性能測評釋放其商業價值。
2、醫療大模型藍海市場空間充足,亟待企業開拓
醫療大模型在2019年至2023年快速興起,期間市場規模年均復合增長率超過100%;直至2027年都將是醫療大模型的爆發期。根據億歐智庫數據,目前醫療大模型市場規模接近20億元,在行業爆發期間,預計以高達140%的年平均增長率,于2028年突破百億元。盡管快速拓寬的應用邊界不斷拉高醫療大模型的市場規模天花板,但要真正大規模應用落地還需要一步一個腳印,逐步提升市場滲透率。
目前,醫療影像、輔助診斷、健康管理等領域大模型滲透率相對較高,但依然屬于市場滲透的早期階段。基于動脈網訪談調研預估,醫療大模型整體滲透率不足20%,甚至更加保守的受訪者估計不足10%。由此可見,醫療大模型這塊藍海還有巨大的市場空間亟待企業們去滲透和開拓。
3、多因素聚合驅動,推動“產品”向“商品”落地
近年來,在算力基礎建設、算法精進、芯片技術進步、政策指引及市場教育多維度,醫療大模型均受到積極推動。
值得一提的是,2024年11月國家衛生健康委辦公廳、國家中醫藥局綜合司、國家疾控局綜合司聯合發布的《衛生健康行業人工智能應用場景參考指引》,明確定義了四大部分、十三大類、總共84個具體的應用場景,其中19個應用場景明確提到了醫療大模型的應用。
《衛生健康行業人工智能應用場景參考指引》具體場景展示,資料來源:國家衛健委官網,動脈智庫整理(打勾為明確提及大模型應用的場景)
此外,DeepSeek自2024年底發布以來,迅速“走紅”各個行業,醫療行業也不例外。就醫療大模型領域而言,DeepSeek對其影響已經超越了單純的技術突破范疇,其“一炮而紅”對醫療行業各環節從業者,以及C端的患者或用戶更是一次直觀且有力的市場教育,迅速提升了市場對醫療大模型的接受度以及使用積極性,變“被動接受”為“主動擁抱”。
醫療大模型爆發,賦能醫療服務的各個環節
1、行業迎來近三百個大模型,九成覆蓋政策指引應用場景
2025年醫療大模型密集發布,截至5月1日已有133個醫療大模型的密集發布,遠超2023年(61個)與2024年(94個)的模型數量。
2023—2025年醫療大模型數量(截至2025年5月1日),資料來源:公開資料,動脈智庫整理
截至2025年5月1日,我們收錄了市面上已公開的主要醫療大模型案例累計288個,其中約有九成以上醫療大模型應用場景均涵蓋于《衛生健康行業人工智能應用場景參考指引》之中。大模型涉及應用場景12類,所有應用場景總提及頻次814次。其中醫療服務場景涉及的大模型最多,總提及頻次達430次,占比近53%。
各類醫療大模型應用場景提交頻次,資料來源:公開資料,動脈智庫整理
從2023年的初步嘗試,到2024年行業取得長足進展,再到2025年未至年中便迎來超百個模型落地,醫療大模型的爆發式增長態勢已然明晰。
2、四類醫療大模型,展現七大共同技術發展路徑
政策與技術迭代驅動下,我國醫療大模型產品矩陣加速構建。鑒于不同場景及主體間的應用滲透程度存在差異,本報告通過對主流大模型產品的應用場景進行系統梳理與量化分析,選取文本大模型、醫學影像、藥物研發、中醫藥產業四大核心賽道,以期全景呈現醫療大模型的技術落地路徑與產業發展脈絡。
文本大模型-醫療IT場景占比最大。在技術適配性、數據基礎、應用場景需求及產業落地可行性等多因素影響下,當前文本大模型仍是醫療大模型的主要研發類型。其主導地位源于醫療場景對語言處理的剛需、文本數據的易獲取性、技術成熟度與商業落地效率。在此之中,醫療IT是大模型落地場景中占比最大的部分。結合對288個醫療大模型應用場景的系統性梳理,在累計663個場景提及頻次統計中,非醫學影像類醫療IT場景提及頻次高達300余次,以近46%的占比成為核心落地方向。
醫生成為“AI制造”群體中至關重要的一員。截至2025年4月30日,國內“2022屆中國競爭力排行榜”中排名前100的醫院,已有98家對外宣稱完成了大模型部署。在這之中,有38家醫院在通用模型的基礎上進一步展開研發,打造出55個符合自身需求的垂直醫療模型。其中,醫院合作企業依然是主流,有超過一半的項目采用這一模式進行開發。
醫療垂直模型開發模式分布(截至2025年4月30日),資料來源:公開資料,動脈智庫整理
影像大模型-發展最成熟已覆蓋全周期。醫學影像是人工智能技術落地最為成熟的醫療場景之一,并已形成覆蓋圖像采集、處理及診斷全流程的價值賦能體系。通過市場產品圖譜分析,聚焦醫學影像領域的大模型相關產品已達56款,以心臟、骨骼、頭頸、肺部等解剖部位的輔助診斷應用最為廣泛。其中,超聲和病理成為重要突破方向,脈得智能(超聲)、透徹未來(病理)及醫策科技(病理)等企業紛紛推出相關大模型助力臨床輔助診斷。
藥物研發大模型-亟待質的變化。結合統計數據來看,目前大部分生物大模型產品的應用場景集中在藥物研發領域。需指出的是,當前生物制藥大模型在醫療機構賦能及藥物研發探索等領域,尚未實現對既有場景的顛覆性突破,仍處于技術融合與場景適配的漸進式創新階段。隨著算法優化、數據積累及跨學科協同的深化,該領域有望催生具有變革性的技術突破。
中醫大模型-多方力量推動快速發展。從當前眾多面世的大模型來看,大模型正持續加大在中醫藥產業的應用。2023年,面世的中醫藥大模型約為13款,2024年數量稍有下降為9款,2025年已有8款產品面世。從數據來看,中醫藥產業大模型的研發匯聚了多方力量,呈現出產學研緊密協同的態勢。
結合技術演進邏輯與行業實踐,當前醫療大模型核心應用場景及技術發展路徑可歸納如下:
醫療服務仍是主流應用場景
公共衛生服務、養老托育服務及醫療機器人等領域的大模型應用較少涉及
基層應用頻頻被提及
中醫藥領域實現應用的深度滲透
大模型正蓄力賦能醫療產業
革新醫學教育與科研范式
健康管理場景或成醫療大模型應用潛力股
3、六大醫療應用場景,解構大模型應用路徑
本次統計的288個醫療大模型、共814次場景提及頻次中,涉及的12類應用場景中共涵蓋56個細分領域,其中,臨床專病輔助決策、預問診、病歷輔助生成、醫學影像輔助診斷提及最多,均為醫療服務大類。
醫療大模型涉及的56個細分應用場景提及頻次,資料來源:公開資料,動脈智庫整理
差異化價值邏輯形成的技術落地路徑。基于五大核心應用場景的解析,各場景基于差異化價值邏輯形成的技術落地路徑主要如下:
大型醫療機構:圍繞智慧醫療核心場景向外延伸
小型專科醫療機構:消費醫療與中醫藥智能化賽道正在升溫
政府:在基層多個場景實現提質增效
藥企:落地仍存在挑戰
患者:潛在挖掘空間明顯
醫療大模型在多應用場景率先跑通商業化
1、滲透率受多方影響,需共同驅動商業化落地
醫療大模型的落地應用滲透率受多端的影響。需求端,首先需要有明確的、真實的痛點需求,其次需要有足夠大的市場空間吸引科技企業及資本布局賽道。在需求驗證之后,企業端需要充分驗證相關產品打造的可行性,例如技術是否足夠支撐、數據是否足夠精準等。最后,大規模的商業化落地還有賴于相關部門的政策支持,從技術發展、市場準入、產品性能驗證、收費等環節給予指引。
醫療大模型滲透率影響因素,資料來源:公開信息,動脈智庫整理
基于此滲透邏輯,目前醫療大模型在放射類影像輔助診斷滲透率最高,據調研估計,滲透率接近40%。此外,輔助檢查報告解讀與結構化、病案質控、輔助問診/導診類工具、臨床輔助決策、涵蓋智慧病歷書寫等功能的醫生助手、科研場景、藥物研發、健康管理等應用場景滲透率其次。我們將在接下來的小節逐一解析其影響因素。
2、“嚴肅”和“輔助”醫療應用場景各有標桿
適用于院內(包括基層)的醫療大模型從臨床應用場景不同可以分為嚴肅醫療大模型和輔助醫療大模型。就單個醫療大模型而言并非只能擁有一種類型應用場景,其可同時在兩類場景應用或賦能兩類場景的相關應用開發。由于醫療大模型的應用方式兼具“產品”和“平臺”屬性,即其既可作為產品直接應用,也可作為“平臺”賦能進一步人工智能產品升級或研發。因此,在落地成熟度的討論中,我們將兩種應用形式均考慮其中,作為“平臺”屬性時,將通過其賦能的人工智能應用落地程度進行評估。
(1)嚴肅醫療大模型-影像走在最前列
嚴肅醫療大模型在整個影像輔助診斷領域應用滲透率最高,或與其需給出定性分析的任務性質有關。從大模型訓練方式及應用目的出發,醫療大模型又可分為判別式大模型與生成式大模型。前者學習條件概率,生成的空間受限,類似于回答封閉式判斷題,因此準確度相對更高;后者學習聯合概率,生成的空間不受限制,類似于回答開放式問答題,因此輸出結果可控性更弱。
判別式與生成式大模型部分性能對比,資料來源:公開信息,動脈智庫整理
判別式大模型由于更高的結果可控性更易提高精準度、更易貼近于臨床醫生表現,在嚴肅醫療場景的應用價值體現也更加直觀。因此,目前以影像輔助診斷為代表的判別類的嚴肅醫療大模型,發展和推進的階段更加成熟。除其模型應用性質外,輔助診斷類影像大模型走在應用最前列的共性原因還有兩點。一是在性能驗證環節的優勢,該類產品擁有明確的評估標準,例如“敏感度”“特異性”等量化評估指標,其性能驗證直觀。二是在政策完善度的優勢,其監管路徑相對清晰,通過獲得國家藥監局的醫療器械資格證獲得明確的“入場券”推進商業化推廣,加之醫檢互認的促進推動其更快應用落地。
數據處理難度影響大模型研發門檻。進一步細分影像大模型應用場景發現,按照放射、超聲及病理的順序逐一產品數量更少、市場應用更早期,其重要影響因素是細分領域數據處理難度的不同。
放射影像
標準化數據縮短研發“入門”時間。無論是人工智能產品或是相關醫療大模型,放射影像能夠成為發展最為成熟的細分應用場景,其標準化數據及醫療邏輯的可及性是其重要基礎。據智藥局數據,截至2025年3月,國家藥監局已批準99張AI放射影像三類證。排在前列的影像三類證獲得者數坤科技、深睿醫療和推想醫療均推出相關醫療大模型,助力全線產品迭代升級的同時提升模型性能不斷朝臨床應用級靠攏。
“可用”到“好用”讓放射影像大模型從“產品”變為“商品”。數據處理難度的優勢,讓放射影像產品化更早,但要實現其商品化并大規模落地應用,不僅需要讓臨床“用”,更要讓臨床覺得“好用”。目前,AI影像產品在試用期,由于其優異的性能通常能夠獲得臨床的積極反饋和活躍使用,但其長期應用于臨床還涉及醫生工作流程的變化。如何能夠將影像產品更好融入臨床工作流,培養臨床使用習慣,進而提升使用者動力,是進一步提升影像AI滲透率的重點。這一步,行業已有企業積極布局并已見成效。如數坤科技基于其多模態大模型數坤坤,完成了從診斷、教學、科研、隨訪和科室管理等的全工作流串聯,為影像科醫生提供了全鏈路的數智化輔助工具。在北京市科委舉辦的行業大模型創新應用大賽中,數坤坤以99(共100個)個病例診斷與專家評委一致、1個優于專家評委的優異性能拔得頭籌,高精準度和一站式服務的性能推動數坤坤從“產品”到“商品”的轉變,加速滲透落地。
超聲影像
超聲影像的數據為動態視頻格式,且需要在檢查當時做出診斷建議,因此,“實時”是對于超聲人工智能產品的重要要求,需要其在檢查過程中做出實時質控及實時診斷分析。由于數據格式及要求的不同,在數據標準化程度和醫療邏輯可及性方面不及放射影像領域,也因此其在數據處理階段或需要花費更多精力并且更依賴經驗專家進行數據標注。這也不難解釋為什么國家藥監局批準的超聲輔助診斷軟件三類證寥寥無幾,目前僅脈得智能、醫準科技等獲得了相關三類證批準。
超聲影像大模型性能逐步驗證。在腫瘤診斷的醫療流程中,通常超聲給出相關建議后,必要時患者將進行放射或病理的進一步檢查。事實上,由于超聲醫生的技術差異,進一步檢查的概率并不低,而其中不乏一些本可以避免的進一步檢查,尤其在基層等醫療資源欠缺的情況下更是如此。因此,要在超聲領域實現“低年資醫生+AI=高年資醫生”的人工智能使命,或許需要超聲輔助診斷產品的準確性不斷向病理結果靠近。目前,行業也不乏朝此方向努力的企業并已初顯成效。如脈得智能于今年3月份獲得三類醫療器械證的“甲狀腺結節超聲影像輔助診斷軟件”,融合臨床真實診療場景訓練AI模型,實現了結節良惡性的超高精準判斷。其臨床測試結果顯示,該產品甲狀腺結節良惡性判別準確度高達96%,與組織病理結果高度一致。
病理影像
“金標準”對大模型提出了高要求。病理檢查作為腫瘤診斷的金標準,其嚴肅性較超聲和放射影像更進一步,這也對該領域醫療大模型提出了更高的要求。行業對準確性雖然沒有統一的要求,但敏感度無限接近于100%是病理領域人工智能企業的默契。除此之外,病理領域大模型研發條件也相對苛刻。首先,病理影像的圖片標準化程度低,且由于病理影像數據復雜、廠商利益壁壘等原因,標準化推進程度緩慢,這意味著在數據處理及標注上需要投入更多人力物力。其次,我國病理醫生數量嚴重不足,稀缺的專家資源也提高了數據處理的門檻。
病理大模型多維度構筑核心競爭力。出于不同病理醫生之手的影像圖片,其染色后的圖像差異度大,這要求大模型擁有極強的泛化能力能夠識別并處理這些圖像。病理大模型通常是與頭部教學醫院共研訓練而得,泛化能力不足的產品在同級別染色水平下能夠表現出優異性能,而在二級及以下醫療機構假陽性率高,這無法完成助力優質醫療資源下沉的使命。因此,在病理領域要實現“低年資醫生+AI=高年資醫生”的人工智能使命,病理大模型的泛化能力十分關鍵。強泛化能力能讓模型不僅在頭部醫院,在二級及以下醫療機構依然能穩定地展示產品的準確度。例如透徹未來基于其大模型Thorough Brain 2.0,賦能其AI病理產品Thorough Insights 4.0達到專業臨床應用級性能,支持包括胃、腸、食管、胰腺、肺、前列腺、乳腺、子宮內膜、宮頸、泛器官淋巴結等十余種高發腫瘤器官的病理智能分析,精準定位癌變區域并完成疾病分型,其在大型醫院的臨床病理應用中,敏感度接近100%,特異性超過94%,在中小型醫院的敏感度同樣接近100%,特異性超過90%。
此外,作為金標準,病理可能直接影響治療方案,病理醫生對人工智能的使用通常會更加謹慎。單純給出“是”與“否”的結論,病理醫生可能依然會按照傳統流程親自進行診斷驗證其準確性,阻礙人工智能輔助臨床提升效率的性能顯現。因此,病理大模型的可解釋性或是其另一個核心競爭力,在給出定性結果的同時,充分展示其判斷邏輯和專業依據,增強信任,幫助醫生從被動接受結果轉為主動利用人工智能實現精準診療。目前,行業已出現擁有相關核心競爭力的病理大模型。如醫策科技發布的病理多模態大模型“靈眸”,其中包含了企業創新構建的病理思維鏈框架(Pathology Chain-of-Thought),該框架采用逐層推理解析技術與可解釋性融合機制,可以在給出診斷結果的同時為病理醫生充分還原診斷的臨床思維路徑,降低信任門檻,讓更多病理醫生可以放心使用“靈眸”帶來的在9個器官涵蓋57種腫瘤亞型的臨床級病理輔助診斷服務。
最后,可及性也是大模型在應用推廣落地中的核心競爭力之一。眾所周知大模型需要強大的算力支撐,如果大模型的使用附帶著動輒上百萬的GPU購置成本,無疑會勸退一部分潛在使用者。使用端的現狀也促使大模型企業不斷優化其單位算力下的性能,讓大模型“大而不重”,提升模型的可及性,進而推動商業化落地。如透徹未來、醫策科技等病理醫療大模型企業,均通過技術優化實現輕量級私有化部署,在促進各自商業化進程的同時,更是共同推動了病理人工智能行業的發展。
可靠性、可用性、可及性是嚴肅醫療大模型共性需求。其實,不光在病理領域,對于所有應用于嚴肅醫療場景的大模型可及性都是共性的需求,此外可靠性、可用性也是重要訴求。
嚴肅醫療大模型性能共需,資料來源:公開資料、調研訪談,動脈智庫智能整理
(2)輔助醫療大模型-展現超強靈活性
相較嚴肅醫療大模型通常覆蓋專科應用領域,輔助醫療大模型覆蓋了更加廣泛、更加靈活的應用場景。為了更清晰厘清其應用范圍,我們從服務主體出發,將輔助醫療大模型應用范疇分為圍繞醫生、圍繞患者、圍繞醫院管理的三類。
輔助醫療大模型應用場景分類,資料來源:公開信息,動脈智庫整理
目前,輔助醫療大模型整體而言比嚴肅醫療大模型落地應用推廣進程更成熟,其中圍繞醫生的諸多提質增效的人工智能工具應用最為廣泛。
多場景應用需要大模型更加“靈活”。不難看出,比起嚴肅醫療大模型,輔助醫療大模型覆蓋的場景更多、更廣,且同一場景的應用,機構與機構之間也存在不同的要求,因此需要大模型更加靈活。
其靈活性的其中一個體現在產品的性質上,不同于嚴肅醫療大模型“模型即產品”的要求,輔助醫療大模型往往更需要體現其“基座”的性質,即提供賦能院內多場景提質增效所需要的醫學知識、政策法規和安全要求等數據資料的多模態數據,并訓練模型擁有醫療行業的決策邏輯。醫療機構可以將其作為全院人工智能產品的基礎和管理平臺,將所有的人工智能服務統籌起來,也可以基于大模型基礎進一步研發,圍繞不同主體、應用于不同場景的人工智能產品,以更好地進行全院級數智化管理。如神州醫療大模型2.0,是一個擁有文本、影像、病理、基因、時序數據處理能力的多模態大模型,其可以作為全院人工智能應用監管的“駕駛艙”,也是各應用場景人工智能產品打造的專業基礎。企業基于此大模型已經開發了包括罕見病、腦腫瘤、兒童免疫缺陷等在內的20個專科場景AI應用產品,圍繞醫生、患者和醫院不同使用方提供多應用場景的AI工具,助力提升效率、就醫體驗等。
此外,行業還出現了支持使用者基于大模型自主建立人工智能服務工具的靈活方式。如醫渡科技,為行業提供“大數據+大模型”雙中臺,使用者可以在其中臺上構建自己的小模型和智能體。目前已經在20余家頭部醫院上線,其中80%的用戶為醫生群體,在平臺上自建智能體助力診療科研教學及患者服務等日常工作流,市場使用率極高。
由此可見,可賦能二次開發的、靈活的輔助醫療大模型除了具體的應用產品價值,還被賦予了多一層助力人工智能落地、推動行業發展的使命與能力。除了靈活的專業醫療大模型,行業還出現了開源醫療大模型,助力推動人工智能生態發展。2025年初,京東健康的“京醫千詢”宣布開源,“透明化”的技術架構一方面直觀向行業展示了“京醫千詢”的技術實力,另一方面也想通過技術共建與行業一同攜手推動人工智能服務進一步落地。行業越來越多專業預訓練大模型能夠幫助初創企業避免從零打造醫療大模型的高成本,降低模型研發門檻,甚至通過更優質的數據助力提升模型性能。
輔助醫療大模型三大賦能路徑,資料來源:調研訪談,動脈智庫整理
(3)醫療大模型賦能基層-標的落地場景
目前,基層醫療衛生機構正以三分之一的衛生人力資源,提供全國一半以上的診療服務量以及絕大多數的基本公共衛生服務。隨著國民健康意識增強,人口老齡化、慢病人群數量攀升,基層的任務愈發重要及繁多,醫生數量短缺的矛盾也將隨之加劇。在政策和剛需的推動下,基層成為醫療人工智能落地的絕佳場景,而對于近年來興起的醫療大模型亦是如此。
目前,諸多醫療大模型企業,如訊飛醫療、神州醫療、數坤科技等均有基層應用場景布局,并成功實現商業化閉環。
標準化:為醫生提質增效、提高群眾信任。基層醫生通常為全科醫生,需要涉獵的疾病種類和藥物種類廣泛,作為疾病預防、治療的第一道防線,比起對疑難病例的處理能力,更需要基層醫生擁有對常見病及慢病不錯診、不漏診及合理用藥的“標準化”能力。此外,“標準化”能力還體現在如隨訪和健康檔案管理的公共衛生服務之中。而對于患者或居民而言,也需要得到與上級醫院同質化的診療結果來提升對基層醫療的信任程度。
醫療大模型對海量、多模態知識的學習吸收能力及其標準化輸出能力完美契合基層“標準化”訴求。近年來,大模型賦能下的全科輔助診療應用在基層展現出優異成效,也推動了其在基層的滲透率逐步提升。如訊飛醫療的"智醫助理"早在2017年就成為全球首個通過國家執業醫師資格考試綜合筆試的人工智能機器人,取得456分成績(滿分600分),超過96.3%的人類考生。實際落地應用中聚焦基層醫療場景,通過“智醫助理”賦能全科醫生,在常見病診療規范化和效率提升方面取得顯著成效。通過今年發布的星火醫療大模型X1賦能后,智醫助理實現了核心性能顯著提升——合理用藥審核正確率達95%以上,基層高發常見病診斷TOP1推薦合理率突破95%,系統在為基層醫生提供高效輔助診療支持的同時,有效提升居民對基層醫療服務的信任度。截至2025年4月,產品已落地全國31個省市的682個區縣超73000個基層醫療機構,服務超220000名基層醫生,累計提供超9.7億次AI輔診建議。
3、院外醫療大模型助力“提供工具”向“提供價值”轉變
如嚴肅醫療大模型和輔助醫療大模型無嚴格區分標準一樣,院外醫療大模型板塊也是從應用場景類型出發,研究醫療大模型在該場景的應用落地情況。事實上,行業不少醫療大模型可同時應用于院內及院外多場景賦能。
院外的應用場景,受到的政策監管和約束相對較少,在模型性能能夠滿足的應用場景需求后,達成合作的環節更加直接和簡單。因此,在大模型能夠顯著提升效率、降低成本的應用場景,行業已有應用落地成熟的案例出現。我們將以臨床研究及對C端的健康管理為例,解析其發展滲透率的現狀。
(1)藥物研發-亟待極致效率提升帶來質變
藥物研發超大的人工智能應用市場規模,以及極大的提質增效空間,散發著巨大的人工智能應用探索吸引力。其實,AI應用在藥物研發領域探索不算短,大模型的加持,除了原有AI能力的提升,或許還能帶來新的能力賦能行業發展。
多環節人工智能服務滲透。藥物研發囊括了藥物發現階段、臨床前階段、臨床階段,以及上市后的真實世界研究。人工智能的應用也充斥著長鏈條的各個環節。
人工智能在藥物研發各環節應用場景舉例,資料來源:公開資料,動脈智庫整理
人工智能也需要“術業有專攻”。藥物研究的多環節、不同具體的應用場景領域,所用到的人工智能服務不同,這也意味著針對特定環節的賦能大模型也需要“術業有專攻”,由此對訓練數據的類型和來源也有所不同。
例如用于臨床試驗階段的大模型,該階段核心訴求集中在中心與患者的篩選、試驗設計和優化、數據文件管理的能力以及風險預測決策支持等,對數據實時處理和倫理合規要求極高。因此,除了對相關法律法規的學習和理解,對于大模型的訓練還需要來自真實臨床試驗沉淀下來的數據,不僅從中學習相關專業的知識,更需要學習相關專業的干預和反饋機制,也就是習得實時處理的能力。例如,當發現風險的時候,需要人工智能服務提供預警的同時,可以在大模型的賦能下同時進行相關的風險處理動作。有了“動作”的學習,人工智能服務才能跳脫出數字客服或超大知識庫給出的響應式服務,進而升級為有主動執行能力的管理式服務,真正為申辦方提供有責任感的“數字員工”而不是單純的數據管理工具。如太美醫療科技發布的文思智能(Wiz.AI)平臺,其能力基座除海量的專業知識、法律法規、公開數據外,還有其十余年5000余項臨床研究項目運營經驗,為其人工智能臨床試驗服務奠定了核心競爭力。基于出色的綜合實力,文思在實際業務場景中擁有強大的落地能力,以賦能SaaS和服務在各應用場景中發揮智能化的管理職能,而非單一的智能問答。
再如藥物發現領域,有了大模型的賦能也為多年的人工智能應用再添利器。首先,大模型的應用增加了AI結果的可解釋性,從而提升信任度,讓使用者可以明白并判斷其可靠程度,從而提升AI服務的接受度。其次,大模型顯著降低了專業知識的理解和應用門檻,極大提升相關步驟效率。可見,效率的提升在行業已有共識。但研發的能力驗證還在路上,目前還未有通過AI研發的藥物走到上市階段,這也讓行業對其態度逐步謹慎。目前,在藥物研發領域,相較于效率和應用工具,企業更愿意為價值結果付費。
(2)C端健康管理-打造輕中重個性化服務
另一個院外擁有高吸引力的大模型落地場景是面向C端的健康管理服務。
輕量級服務:做群眾的AI健康助手。自2016年《健康中國2030》發布以來,國民對健康的重視程度持續增強,并逐步從“疾病治療”向“疾病預防”前移、從“被動治療”向“主動健康”轉變。隨之而來的就是更多的健康服務需求,例如亞健康狀態改善、日常偶發性不適的咨詢、體檢報告解讀、藥物及疾病知識學習、個人健康檔案管理及疾病預防等。傳統的醫療體系顯然難以支撐該類激增的健康服務需求,因而大模型的應用可很大程度解決健康服務能力供給不足的情況,目前行業已有不少理想的解決方案。例如訊飛醫療,推出首款面向居民的AI健康助手應用訊飛曉醫,依托星火醫療大模型億級高質量權威醫學知識數據庫,為用戶打造個人數字健康空間,覆蓋“看病前、用藥時、檢查后”三大核心健康場景,提供癥狀自查、藥物查詢、報告解讀和個性化健康檔案管理等服務。目前,訊飛曉醫APP已覆蓋高頻常見疾病1600余種、常見癥狀2000余種、常見藥品4000余種、常見檢查項目6000余項,用戶滿意度達98%。
治療及服務:提供陪伴式服務。面向C端的健康管理服務中,還有一大極具落地吸引力的應用場景,那就是慢病管理。隨著我國慢病患者人數攀升,目前醫保用于慢病治療的費用居高不下,占據醫保開支大頭。可是,即便如此我國慢病管理現狀也并不如意。究其根本,慢病的治療不僅僅需要藥物,更需要生活方式的干預,而后者需要極高的人力成本及時間,本就供給不足的現有醫療體系對其難以覆蓋。
慢病管理需要多團隊的有機協作,且生活方式的干預是一個長期過程、是一個全新生活習慣培養的過程,也就意味著慢病管理團隊需對患者進行長程式的陪伴,其對應的高人力成本是慢病管理落地的一大阻礙。最后,純人力的慢病管理,很容易觸及服務能力的天花板,而就我國目前醫生、營養師、專業運動教練及健康管理師等服務團隊的數量對于龐大的需求群體而言,存在極大的人力缺口。正因如此,醫療大模型在慢病管理場景的應用展現出極大的價值。
輕量級及治療級健康管理服務對比,資料來源:調研訪談,動脈智庫整理
有了醫療大模型的賦能,可以極大解放人力,這不僅能夠提升單個管理師的管理能力上限,也能助力提供更好的服務。例如,在大模型的輔助下,用戶可以有更好的“實時應答”體驗,并且可以確保服務“溫度”,沒有情緒的波動。不僅如此,大模型在個性化方案實施上也更有優勢,可以基于用戶情況實施輕量級到治療級不同干預程度的管理方案。
循著以上的要求,行業也已然出現了成功的商業化案例。如南大菲特,為肥胖伴有代謝綜合征、糖尿病、多囊卵巢綜合征及青少年肥胖等患者提供人工智能生活方式干預。“三師共管AI大模型”融合了200余位專家的經驗,其多模態底座賦能管理團隊基于用戶自產及來自監測設備的健康數據,主動給出實時的專業管理意見,真正為用戶打造了有溫度的陪伴式生活方式干預。經過10年的打磨與沉淀,企業已經成功助力超過3.5萬的用戶減重成功,達成了4周減重4.2kg、8周減重7.4kg、12周減重11.12kg的優異成效。此外,大模型的賦能讓企業也實現了輕量級管理完全AI化、治療類的專業管理中實現服務能力4-5倍的提升。
過去,人們對人工智能始終報以謹慎態度,對于AI提供的健康建議信任度不高。現在,DeepSeek的爆火極大地推動了市場教育成熟,加之政策鼓勵及行業專業級管理方案展現的優異成效,相信未來大模型在C端健康管理擁有非常大的想象空間。
免責聲明:以上內容為本網站轉自其它媒體,相關信息僅為傳遞更多信息之目的,不代表本網觀點,亦不代表本網站贊同其觀點或證實其內容的真實性。如稿件版權單位或個人不想在本網發布,可與本網聯系,本網視情況可立即將其撤除。